음성 인식 엔지니어 면접 질문
가장 흔한 면접 질문을 음성 인식 엔지니어(Speech Recognition Engineer) 직무 기준으로 정리하고, 채용 담당자가 실제로 무엇을 걸러 보는지에 맞춘 예시 답변과 준비 팁을 함께 담았습니다. 아직 면접 단계까지 못 갔다면, 2025년 기준 평균 채용 공고에 지원자가 244명이나 몰렸다는 점을 감안해 직무별로 맞춤 이력서를 만드는 게 중요합니다. 각 공고에 맞춘 이력서는 여기서 작성할 수 있습니다. [1]
음성 인식 엔지니어(Speech Recognition Engineer) 면접에서 가장 흔한 질문
- 자기소개를 해주세요
- 왜 이 음성 인식 엔지니어(Speech Recognition Engineer) 직무를 원하시나요?
- 자동 음성 인식(ASR) 시스템 경험이 있나요?
- ASR 파이프라인을 구축하고 개선할 때 어떤 방식으로 접근하나요?
- 어떤 음성 특징(speech features), 음향 모델(acoustic models), 언어 모델(language models)을 다뤄봤나요?
- 음성 인식 모델 성능은 어떻게 평가하나요?
- WER(단어 오류율)이나 시스템 정확도를 개선했던 경험을 말해 주세요
- 노이즈가 많은 오디오, 억양(액센트), 저자원 언어는 어떻게 처리하나요?
- 딥러닝 프레임워크와 배포 도구 경험은 어떤가요?
- 프로덕션에서 정확도, 지연 시간, 연산 비용을 어떻게 균형 있게 맞추나요?
- 해결했던 까다로운 음성 데이터 문제를 말해 주세요
- 프로덕트, 데이터, 플랫폼 팀과는 어떻게 협업하나요?
- 음성 인식 시스템에서 모델 실패를 어떻게 디버깅하나요?
- 다국어 또는 도메인 적응 ASR 경험이 있나요?
- 음성 인식 엔지니어 업무에서 AI 도구를 어떻게 활용하나요?
- AI가 생성한 코드/분석/문서를 신뢰하기 전에 어떻게 검증하나요?
- 비기술 이해관계자에게 음성 모델링의 트레이드오프를 설명해야 했던 경험이 있나요?
- 음성 인식 엔지니어로서 가장 큰 강점은 무엇인가요?
- 현재 개선 중인 약점이나 부족한 부분은 무엇인가요?
- 저희에게 질문이 있나요?
답변은 반드시 해당 직무에 맞게 맞춤화하세요. 같은 면접 질문이라도 직무에 따라 완전히 다른 답이 필요할 수 있습니다. 음성 인식 엔지니어라면 일반적인 소프트웨어 역량만 말하기보다 모델 품질, 데이터 처리, 평가, 배포 트레이드오프, 연구/프로덕트 팀과의 협업을 강조해야 합니다. 추가로 연습하고 싶다면, ChatGPT로 연습하는 음성 인식 엔지니어 면접 질문 가이드로 리허설해 보세요.
음성 인식 엔지니어(Speech Recognition Engineer) 면접 질문과 답변 상세
1. 자기소개를 해주세요
채용 담당자는 이 질문으로 당신이 자신의 배경을 직무에 맞게 요약할 수 있는지 확인합니다. 기술적 포커스, 음성/ML 경험, 그리고 왜 이 팀에 적합한지까지 이어지는 명확하고 관련성 있는 스토리를 원합니다. 짧게, 그리고 직무에 맞춰 말하세요.
예시 답변: 저는 음성·오디오 시스템에 집중하는 머신러닝 엔지니어입니다. 지난 몇 년 동안 ASR 모델 학습, 음성 데이터 전처리, 프로덕션 파이프라인을 다뤄왔고, 특히 인식 품질을 높이고 지연 시간을 줄이는 데 많은 시간을 썼습니다. 이 직무에 끌리는 이유는 모델링과 실제 배포가 함께 있는 점인데, 실험 환경에서만 잘 동작하는 모델이 아니라 복잡한 사용자 환경에서도 잘 작동하는 시스템을 만드는 걸 좋아하기 때문입니다.
2. 왜 이 음성 인식 엔지니어(Speech Recognition Engineer) 직무를 원하시나요?
동기와 적합도를 보는 질문입니다. 회사 제품을 이해하고 있는지, 어떤 음성 문제를 해결하는지, 그리고 이 역할이 당신의 다음 커리어 단계로 왜 자연스러운지 확인하려고 합니다.
예시 답변: 이 역할은 음성 모델링, 제품 임팩트, 엔지니어링 완성도가 만나는 지점에 있다고 생각해서 지원했습니다. ASR은 단순히 더 좋은 모델을 학습시키는 것만으로 끝나지 않고 사용자 경험까지 함께 봐야 하므로, 모델 품질과 UX를 동시에 중시하는 팀에 특히 관심이 있습니다. 또한 이 역할이 프로덕션과 가깝게 보이는데, 데이터·평가·추론(inference) 관련 의사결정이 실제 고객에게 영향을 미치는 환경이 제가 성장하기에 가장 좋다고 생각합니다.
3. 자동 음성 인식(ASR) 시스템 경험이 있나요?
유행어가 아니라 “깊이”를 봅니다. 데이터 수집, 특징 추출, 음향 모델링, 언어 모델링, 디코딩, 평가, 파인튜닝, 배포 등 ASR 스택에서 어디까지 만져봤는지 보여주세요.
예시 답변: 데이터부터 배포까지 ASR 시스템 전반을 다뤄봤습니다. 음성 데이터 클리닝/세그먼트 분할, 트랜스포머 기반 및 CTC 계열 모델 학습과 파인튜닝, WER로 성능 평가, 화자/환경/도메인별 실패 분석을 해왔습니다. 또한 디코딩과 언어 모델 적응도 다뤘는데, 특히 도메인 밖(out-of-domain) 어휘가 인식 품질을 떨어뜨리는 경우에 언어 모델 적응이 효과적이었습니다.
4. ASR 파이프라인을 구축하고 개선할 때 어떤 방식으로 접근하나요?
구조적인 사고를 보려는 질문입니다. 모델만 보는 게 아니라 엔드투엔드로 생각할 수 있는지 확인합니다. 좋은 답변은 데이터, 베이스라인, 지표, 실험 설계, 프로덕션 제약을 함께 다룹니다.
예시 답변: 먼저 유스케이스와 주요 실패 모드부터 정리한 뒤, 신뢰할 수 있는 평가용 스플릿을 만든 상태에서 베이스라인을 구축합니다. 그다음에는 가장 큰 병목부터 해결하는데, 종종 모델 아키텍처보다 데이터 품질, 라벨링 일관성, 도메인 미스매치가 더 큰 원인인 경우가 많습니다. 이후 타깃 실험을 반복하고, 전체 평균 지표만 보지 않고 세그먼트별로 성능을 추적하며, 지연 시간/메모리/노이즈 오디오 같은 프로덕션 제약에서도 개선이 유지되는지 확인합니다.
5. 어떤 음성 특징(speech features), 음향 모델(acoustic models), 언어 모델(language models)을 다뤄봤나요?
기술적 유창성을 확인합니다. 아는 걸 다 나열할 필요는 없고, 실제로 사용해 본 도구/기법과 “언제 왜 썼는지”를 말하면 됩니다.
예시 답변: log-Mel filterbank 특징과 MFCC 기반 베이스라인을 다뤄봤고, 최근에는 엔드투엔드 뉴럴 접근을 더 많이 사용했습니다. 모델링 측면에서는 CTC와 어텐션 기반 아키텍처, 그리고 음성 작업용 트랜스포머 변형들을 사용했습니다. 언어 모델링은 n-gram 베이스라인과 뉴럴 언어 모델 리스코어링(rescoring)을 써봤고, 특히 어휘와 표현이 중요한 도메인 적응에서 많이 활용했습니다.
6. 음성 인식 모델 성능은 어떻게 평가하나요?
“지표 하나로는 부족하다”는 걸 이해하는지 확인합니다. 모델 품질과 제품 유용성을 함께 평가할 줄 아는 사람을 원합니다.
예시 답변: 과제에 따라 WER 또는 CER부터 보지만, 거기서 끝내지 않습니다. 평균 지표는 중요한 실패를 숨길 수 있으니 화자 그룹, 억양, 환경, 발화 길이, 도메인별로 성능을 쪼개서 봅니다. 프로덕션에서는 지연 시간, 안정성, confidence 캘리브레이션, 그리고 오류가 사용자의 후속 행동(예: 클릭, 저장, 이탈)에 어떤 영향을 주는지도 함께 봅니다.
7. WER(단어 오류율)이나 시스템 정확도를 개선했던 경험을 말해 주세요
작업을 “측정 가능한 결과”에 연결할 수 있는지 봅니다. 여기서는 구체적인 수치가 큰 도움이 됩니다.
예시 답변: 고객 지원 콜 전사 워크플로우에서 ASR 품질을 개선한 경험이 있습니다. 콜센터 홀드아웃 테스트 셋 기준으로 WER을 상대적으로 14% 낮췄는데, 오라벨(mislabeled) 학습 샘플을 정리하고, 도메인 특화 텍스트를 추가해 언어 모델을 적응시키고, 학습 시 노이즈/클린 오디오 비율을 재조정한 것이 효과적이었습니다.
예시 답변(주니어라면): 연구 프로젝트에서 숫자(digit) 인식 정확도를 베이스라인 대비 9%p 올렸습니다. 모델만 바꾸기보다 데이터셋 세그먼테이션 오류를 먼저 잡고, 증강(augmentation) 설정을 튜닝한 것이 검증 셋 성능 개선으로 이어졌습니다.
8. 노이즈가 많은 오디오, 억양(액센트), 저자원 언어는 어떻게 처리하나요?
현실적인 문제 해결을 봅니다. 음성 시스템은 입력이 다양해서 실제 환경에서 실패합니다. 데이터 다양성, 강건성(robustness), 타깃 적응 관점으로 접근한다는 걸 보여주세요.
예시 답변: 저는 셋 다 “데이터와 평가 문제”로 먼저 봅니다. 노이즈 오디오는 증강, 디노이징 전략, 그리고 학습 분포가 실제 환경을 반영하는지부터 확인합니다. 억양이나 저자원 환경에서는 대표성 있는 데이터 수집, 전이학습, 그리고 슬라이스드 평가(sliced evaluation)를 중심으로 접근해, 평균 지표 하나에 가려지는 취약 집단을 드러내고 개선합니다.
9. 딥러닝 프레임워크와 배포 도구 경험은 어떤가요?
실험에서 “출시”로 넘어갈 수 있는지 확인합니다. 많은 팀이 모델 학습뿐 아니라 실제로 쓰이게 만드는 엔지니어를 필요로 합니다.
예시 답변: 모델 개발과 실험은 주로 PyTorch를 사용합니다. 데이터 처리와 학습 워크플로우는 Python 기반 툴링을 사용했고, 필요할 때는 분산 잡도 돌려봤습니다. 배포 측면에서는 컨테이너 기반 서비스, 추론 최적화, 모니터링을 다뤄서, 노트북에서만 좋아 보이는 모델이 아니라 출시 후에도 신뢰성 있게 동작하도록 운영했습니다.
10. 프로덕션에서 정확도, 지연 시간, 연산 비용을 어떻게 균형 있게 맞추나요?
시니어 신호에 가까운 질문입니다. 오프라인에서 제일 좋은 모델이 항상 제품에 최선은 아니라는 걸 이해하는지 봅니다.
예시 답변: 먼저 제품 제약부터 명확히 합니다. 예를 들어 실시간 자막이라면, 작은 오프라인 정확도 개선보다 지연 시간이 더 중요할 수 있습니다. 후보 시스템을 지연 시간과 인프라 비용의 목표 예산에 맞춰 비교한 다음, 프루닝, 배칭, 양자화, 모델 크기 조정 같은 방법으로 최적의 트레이드오프를 찾습니다. 그리고 트레이드오프를 문서화해 프로덕트/엔지니어링 팀이 의식적으로 선택할 수 있게 합니다.
11. 해결했던 까다로운 음성 데이터 문제를 말해 주세요
음성 프로젝트는 모델이 아니라 데이터 때문에 망하는 경우가 많아서 묻습니다. 근본 원인을 어떻게 진단하는지 듣고 싶어 합니다.
예시 답변: 어떤 데이터셋에서 모델 선택보다 전사(transcription) 불일치가 학습을 더 망치고 있던 사례가 있었습니다. 어노테이션 규칙을 감사(audit)하고, 가장 흔한 불일치 패턴을 찾아낸 뒤, 학습 전에 라벨을 정규화하도록 전처리 파이프라인을 다시 만들어 학습 안정성과 인식 품질을 개선했습니다(검증 오류 감소 및 반복적인 디코딩 실패 감소로 확인).
예시 답변(커리어 전환이라면): 음성 데이터가 아닌 더 넓은 ML 역할에서 지저분한 시퀀셜 데이터를 다뤘습니다. 교훈은 동일했어요. 라벨과 전처리가 일관되지 않아 모델이 계속 저성능이었고, 파이프라인을 고치고 검증 체크를 넣자 성능이 개선됐습니다. 데이터 품질을 다루는 규율은 음성 데이터에서도 그대로 적용됩니다.
12. 프로덕트, 데이터, 플랫폼 팀과는 어떻게 협업하나요?
음성 인식 엔지니어는 혼자 일하는 경우가 드뭅니다. 직무 간 협업이 가능한지, 우선순위를 정렬할 수 있는지 봅니다.
예시 답변: 모델 작업을 제품 임팩트로 번역하려고 합니다. 프로덕트 팀과는 어떤 사용자 오류가 가장 중요한지 명확히 하고, 데이터 팀과는 학습/평가에 필요한 데이터 정의와 품질 유지 방법을 합의합니다. 플랫폼 팀과는 배포 한계, 관측 가능성(observability), 롤백 안전성에 대해 정렬합니다. 핵심은 “아무도 필요로 하지 않는 지표”를 최적화하지 않게 하는 것입니다.
13. 음성 인식 시스템에서 모델 실패를 어떻게 디버깅하나요?
체계적인 사고를 봅니다. 무작정 실험하는 건 약한 신호이고, 구조적으로 진단하는 건 강한 신호입니다.
예시 답변: 실패를 패턴으로 먼저 묶습니다. 예를 들어 화자 변이, 배경 소음, 어휘 공백, 세그먼테이션 이슈, 디코딩 문제 등입니다. 그다음 한 번에 한 레이어씩 검증해서 문제가 데이터/전처리/모델/후처리 중 어디에서 오는지 분리합니다. 보통 대표적인 실패 사례를 소수 모아두고 전체 지표와 함께 보는데, 대시보드보다 실제 예제가 근본 원인을 더 빨리 보여주는 경우가 많습니다.
14. 다국어 또는 도메인 적응 ASR 경험이 있나요?
적응력을 확인하는 질문입니다. 실제 ASR은 도메인 어휘나 다국어 지원(혹은 둘 다)이 필요한 경우가 많습니다.
예시 답변: 다국어 전체 학습보다는 도메인 적응을 더 많이 해봤습니다. 전문 어휘와 말하기 패턴에 맞게 ASR을 적응시키는 작업이 주였고, 커스텀 렉시콘, 언어 모델 업데이트, 타깃 파인튜닝을 포함했습니다. 또한 평가 단계에서는 다국어 데이터를 다뤄봤고, 데이터 불균형, 스크립트 차이, 억양 변이 같은 추가 난이도를 이해하고 있습니다.
15. 음성 인식 엔지니어 업무에서 AI 도구를 어떻게 활용하나요?
이 역할에서는 AI 리터러시가 현실적으로 중요합니다. 도구를 “잘 쓰는지”를 보고, 과장하는지 여부는 보고 싶어 하지 않습니다.
예시 답변: 저는 AI 도구를 대체재가 아니라 가속기로 씁니다. ChatGPT나 Claude로 실험 계획 초안을 만들거나 논문을 요약하고, 데이터 파이프라인에서 발생할 수 있는 엣지 케이스를 정리할 때 활용합니다. 반복적인 Python 코드나 디버깅용 스캐폴딩은 GitHub Copilot이나 Cursor를 쓰기도 합니다. 다만 음성 작업에서는 전처리 스크립트, 평가 노트북, 문서화 속도를 올리는 데 도움이 될 뿐이고, 지표는 항상 검증하고 코드 경로를 확인하며 테스트를 돌린 뒤에야 결과를 신뢰합니다.
16. AI가 생성한 코드/분석/문서를 신뢰하기 전에 어떻게 검증하나요?
성숙도를 보는 질문입니다. 팀은 AI 도구를 쓰더라도 품질이 떨어지지 않는 엔지니어를 원합니다.
예시 답변: AI 결과물은 주니어 엔지니어 결과물을 검토할 때와 같은 방식으로, 즉 “진실의 근거(source of truth)”와 대조해서 검증합니다. 코드는 테스트, 엣지 케이스 점검, 성능에 중요한 부분의 수동 리뷰가 기본입니다. 분석은 계산을 다시 돌리고 가정이 데이터셋과 맞는지 확인합니다. 문서는 실제 파이프라인과 모델 동작에 맞는지 비교합니다. AI는 속도에는 유용하지만, 기술 업무에서는 여전히 감독이 필요합니다.
17. 비기술 이해관계자에게 음성 모델링의 트레이드오프를 설명해야 했던 경험이 있나요?
커뮤니케이션 역량을 봅니다. 좋은 음성 인식 엔지니어는 모델 관점이 아니라 비즈니스/사용자 관점으로 트레이드오프를 설명할 수 있습니다.
예시 답변: 라이브 전사 기능에서 더 높은 정확도의 모델을 당장 쓰지 않는 이유를 비기술 이해관계자에게 설명한 적이 있습니다. 사용자 관점으로 프레이밍했어요. 새 모델이 오프라인에서는 더 좋았지만, 응답 지연이 커져 실시간 경험이 나빠졌습니다. 그래서 우리가 “약한 시스템”을 고른 게 아니라, 현재 지연 시간 제약 안에서 최고의 사용자 경험을 택한 것이고, 추론 최적화 후 정확도를 다시 끌어올릴 계획이 있다는 점을 공유했습니다.
18. 음성 인식 엔지니어로서 가장 큰 강점은 무엇인가요?
의도적으로 포지셔닝할 기회입니다. 직무에 중요한 강점 2~3개를 고르고, 근거를 덧붙이세요.
예시 답변: 제 강점은 구조적인 문제 해결, 데이터에 대한 감각, 그리고 모델 작업을 제품 성과로 연결하는 능력입니다. 음성 오류를 진단 가능한 범주로 분해하는 데 능숙해 불필요한 실험을 줄일 수 있습니다. 또한 비연구 파트너와도 명확하게 커뮤니케이션하는 편이라, 실제 사용자에게 영향을 주는 트레이드오프가 많은 음성 시스템에서 특히 도움이 됩니다.
19. 현재 개선 중인 약점이나 부족한 부분은 무엇인가요?
가짜 약점을 원하지 않습니다. 자기 인식과 실제 개선 노력을 보고 싶어 합니다.
예시 답변: 최근 강화하고 있는 부분은 배포(디플로이) 깊이입니다. 처음 커리어가 모델링 쪽에 더 치우쳐 있어서, 추론 최적화, 모니터링, 프로덕션 디버깅에 더 가까이 붙으려고 의식적으로 노력해 왔습니다. 이미 많이 좋아졌지만, ML은 결국 프로덕션에서 버텨야 의미가 있으니 계속 성장 영역으로 두고 있습니다.
20. 저희에게 질문이 있나요?
형식적인 마무리가 아닙니다. 좋은 질문은 진지함, 판단력, 역할을 바라보는 관점을 보여줍니다.
예시 답변: 네. 현재 ASR 품질을 헤드라인 지표 외에 어떤 방식으로 평가하는지, 지금 가장 큰 음성 데이터 병목이 무엇인지, 그리고 이 역할이 프로덕트/플랫폼 팀과 어떻게 협업하는지 궁금합니다. 또 첫 6개월 동안 “성공”을 어떤 모습으로 정의하는지도 알고 싶습니다.
더 강한 행동(behavioral) 답변을 만들려면 음성 인식 엔지니어 면접을 위한 STAR 기법을 참고하세요. 채용자 관점을 더 이해하고 싶다면 음성 인식 엔지니어 면접에서 채용 담당자가 실제로 생각하는 것도 읽어보세요.
음성 인식 엔지니어(Speech Recognition Engineer) 면접을 따내는 건 얼마나 어렵나요?
시장은 과열되어 있고, 이 직무에 대해 신뢰할 만한 2025–2026 직무별 전환 퍼널 데이터가 없어서 더 넓은 시장/기술 직군 지표를 참고할 수밖에 없습니다. 그래도 핵심은 분명합니다. 면접 이전 단계에서 퍼널이 매우 가혹합니다. Greenhouse는 벤치마크 데이터 기준 2025년 평균 채용 공고당 244명이 지원했다고 보고했습니다. [1] CareerPlug의 2025년 보고서에서는 지원자→면접 전환율 3%(지원자 100명당 면접 약 3건), 그리고 2024년 기준 채용 1건당 평균 지원자 180명을 제시했습니다. [2]
음성 인식 엔지니어 지원자에게는 경쟁 심화뿐 아니라 기술 채용 시장의 긴축도 배경으로 깔려 있습니다. LinkedIn의 2025년 4월 Workforce Report에 따르면 미국 채용은 2025년 3월 기준 전 산업에서 전년 대비 6.4% 감소했고, Technology, Information and Media 분야 채용은 전년 대비 1.4% 감소했습니다. [3] Indeed Hiring Lab도 2025년 10월 10일 기준 미국에서 Software Development 공고가 전년 대비 6.7% 감소, Data & Analytics 공고는 전년 대비 15.2% 감소했다고 보고했습니다. [4] 음성 인식 업무는 이런 채용 풀과 가깝기 때문에, 신호는 단순합니다. 지원자는 더 적은 관련 채용을 두고 경쟁하게 되고, 기업은 기준을 올릴 수 있습니다.
이미 면접이 잡혔다면, 퍼널에서 가장 어려운 구간은 통과한 것입니다. 그 기회를 낭비하지 마세요. 아직 지원 단계라면 진짜 병목이 어디인지 기억하세요: 먼저 눈에 띄는 것입니다. 이력서는 첫 번째 필터입니다. 5–8초 안에 “일치”가 보이지 않으면, 아무리 자격이 좋아도 보이지 않습니다. 목표는 지원은 더 적게, 면접은 더 많이입니다. 그리고 이는 지원하는 공고마다 이력서를 맞춤화하면 가능합니다.
왜 지원하는 모든 공고에 이력서를 맞춤화해야 하나요
채용 담당자의 5–8초 스캔에서 “내가 이 역할에 맞는다”는 게 즉시 보이는 이력서는, 거의 항상 범용 CV를 이깁니다. 모든 구직자가 이미 알고 있는 사실입니다.
진짜 문제는 노력(시간)입니다. 지원할 때마다 이력서를 다시 쓰는 건 시간이 들고 금방 반복적으로 느껴지기 때문에, 대부분은 여전히 같은 버전을 여기저기 보내게 됩니다. 하지만 지금은 AI 덕분에 맞춤화가 훨씬 쉬워졌습니다.
Specific Resume은 첫 페이지에 핵심 자격 요건을 보여주고, 명확한 관련성, 강한 시각적 계층, 성과 중심 문장, ATS 친화적 언어 정렬을 갖춘 “공고 맞춤 이력서”를 쉽게 만들 수 있게 해줍니다. 이는 당신과 채용 담당자 모두에게 이득입니다. 당신은 면접 확률이 올라가고, 채용 담당자는 더 빠르게 스크리닝할 수 있는 이력서를 받습니다. 지원서용 글이 추가로 필요하다면, 집중도 높은 음성 인식 엔지니어 자기소개서(커버레터)와 함께 준비하세요.
범용 지원에서 더 날카로운 지원으로 바꾸고 싶다면, 다음 역할을 위해 맞춤 이력서를 작성해 보세요.
더 좋은 음성 인식 엔지니어(Speech Recognition Engineer) 이력서 만들기
퍼널은 단순합니다. 지원은 면접으로, 면접은 오퍼로 이어집니다. 그러니 첫 단계를 그만큼 중요하게 다루세요.
면접에서 좋은 결과 있길 바랍니다. 그리고 다음에 지원할 역할을 위해서는, 그곳까지 가는 데 도움이 되는 공고 맞춤 이력서를 작성해 보세요.
출처
- Greenhouse. Recruiting Benchmarks 보고서, 2026년 3월.
- CareerPlug. 2025 Recruiting Metrics Report.
- LinkedIn Economic Graph. LinkedIn Workforce Report, 2025년 4월.
- Indeed Hiring Lab. 기술 섹터 채용 공고 트렌드, 2025.
- LinkedIn News. LinkedIn 노동시장 연구, 2026년 1월.
